基于CEEMDAN与LSTM-Attention的股市预测模型

具有时序特征的金融股票数据有非线性、非平稳和复杂动态的特点,对预测模型提出了挑战。提出一种基于自适应噪声完备集合经验模态分解的LSTM-Attention模型。通过重组后的高频、中频和低频分量,构建更为细化的LSTM-Attention模型,再通过加总合成获得目标预测值。实验结果分析表明,该模型在平均绝对误差(MAE)、均方根误差(RMSE)、均方误差(MSE)和决定系数四个指标上均优于现有模型,有效提升了模型预测的准确率,同时减少了计算开销。